Une équipe de recherche Cornell a utilisé une variation d'une théorie utilisée d'abord pour prédire les actions collectives des électrons dans les systèmes mécaniques quantiques à un système humain beaucoup plus grand – la National Basketball Association.
Un groupe dirigé par Tomás Arias, professeur de physique et un boursier présidentiel de Stephen H. Weiss au College of Arts and Sciences, a adapté la théorie des fluctuations fonctionnelles de la densité (DFFT) pour prédire les positions des joueurs et classer les joueurs en fonction de leurs contributions défensives. Ils ont également tenté de quantifier la « gravité des joueurs » – comment un joueur attire fortement les défenseurs, indiquant qu'il est une menace de score.
« La gravité est un terme fréquemment utilisé en basket-ball, mais la façon dont vous quantifiez cela a été un peu délicat », a déclaré Boris Barron, MS '21, Ph.D. '24, maintenant chercheur postdoctoral à l'Institut Max Planck pour la recherche démographique à Rostock, en Allemagne.
Barron est l'auteur correspondant de « Analyser les positions et les interactions des joueurs NBA avec la théorie de la fluctuation fonctionnelle de la densité », qui a été publiée dans Rapports scientifiques. Les co-auteurs incluent Arias et Nathan Sitaraman, MS '18, Ph.D. '22, chercheur postdoctoral au Cornell Laboratory for Accelerator Sciences and Education.
Formulation relativement nouvelle, DFFT cherche à déduire les interactions et les préférences spatiales directement à partir des fluctuations des données de position. La théorie a déjà été appliquée à des systèmes aussi divers que l'organisation du groupe d'insectes, la ségrégation raciale dans les zones urbaines et les simulations de la dynamique des foules.
Cette étude est une continuation du travail présenté en 2023 lors d'une conférence de l'American Physical Society. Dans les recherches antérieures, le modèle du groupe – basé sur la théorie fonctionnelle de la densité (DFT) – a suggéré le meilleur positionnement pour chaque joueur sur un terrain de basket dans un scénario donné s'il veut augmenter sa probabilité de score ou de défense avec succès.
Arias a déclaré qu'il avait d'abord réfléchi à la DFT en termes de comportement des foules – à un concert, par exemple – puis a écrit certaines équations et réalisé « ce sont exactement les équations que nous utilisons dans notre physique à plusieurs corps et nos théories mécaniques quantiques. ' »
Sitaraman, qui a à l'époque consulté le travail pour une équipe NBA et avait accès à l'analyse des joueurs, a aidé à diriger le groupe vers le basket-ball en tant que banc d'essai pour leur modélisation DFFT. Ni Arias ni Barron ne s'intéressaient particulièrement à la NBA à l'époque.
« Nathan et moi avons plaisanté en disant qu'ils m'ont amené », a déclaré Barron, « de sorte que lorsque je fais des analyses, je ne sais pas vraiment quels joueurs sont censés être bons en attaque, en défense ou en tir à 3 points – j'étais en grande partie dans l'obscurité. »
Le défi des chercheurs: étant donné un moment dans le temps sur le terrain – l'emplacement des 10 joueurs et le ballon – quelle est la probabilité que l'offense marquant 0, 2 ou 3 points?
Pour leur étude, le groupe a utilisé des données de suivi des joueurs de la première moitié de la saison NBA 2022-23 et a analysé les positions des joueurs et des balles, pendant les biens de demi-cour (à l'exclusion des pauses rapides), pas plus de trois secondes avant qu'un tir ne soit tiré. En formant le modèle DFFT sur les sous-ensembles pertinents de l'ensemble de données massif, les chercheurs pouvaient prédire où un joueur individuel était susceptible d'être et évaluer les probabilités de divers résultats de score.
Les chercheurs ont démontré qu'il est possible d'améliorer le positionnement défensif des joueurs et d'identifier les tendances spécifiques aux joueurs, telles que la cohérence avec laquelle un joueur se positionne pour aider son équipe à se défendre collectivement contre les tirs à 2 points ou à 3 points.
Pour mesurer la gravité des joueurs, l'équipe a analysé les 50 joueurs qui se trouvaient sur le terrain au cours des quatre mois de l'ensemble de données, ainsi qu'un cas spécial – le gardien des guerriers d'État de Golden, Stephen Curry, qui détient le record de carrière de la NBA pour les paniers à 3 points fabriqués et est largement considéré comme ayant la plus haute gravité de la ligue.
En fait, ce n'est qu'après qu'une version antérieure de ce travail a été présentée lors de la conférence 2024 du MIT Sloan Sports Analytics que Curry a été ajouté à l'ensemble de données. « Curry n'était pas inclus à l'époque », a déclaré Barron, « et il semblait que chaque personne qui est venue à notre présentation nous avait demandé: » Alors, où est Steph Curry? « »
Curry est unique, a déclaré Barron. « Partout le long de la ligne des 3 points, il a attiré presque autant de défense vers son emplacement – sans le ballon – comme un joueur typique le ferait avec le ballon, et à certains endroits le dépassait », a-t-il dit, notant que lorsque Curry est dans la voie, plus près du panier, sa gravité est en fait légèrement plus bas que celle d'un joueur typique.
Les chercheurs ont également constaté que le centre de Denver Nuggets Nikola Jokic produit une forte « gravité non locale » – ce qui signifie qu'en raison de sa propension à passer le ballon, la densité défensive a tendance à augmenter du côté faible du terrain (en face du ballon).
Les recherches futures dans ce domaine exploreront le concept de « QI défensif » – l'instinct d'un joueur et la capacité de « voir » une pièce avant son développement.
« En ce qui concerne ce que les entraîneurs peuvent être intéressés », a déclaré Arias, « nous pourrions potentiellement faire une plongée profonde sur ces données ici pour voir ce qu'ils n'allaient pas tout à fait correctement. »
